Характеристики

Контекст: 262 144 токена
Параметры: 3,5 млрд
Лицензия: MIT
Архитектура: bailing_hybrid · MoE
Базовая модель: Ling-3.0-flash
Опубликована: 3 сен 2026

Ссылки

Ling-3.0-flash-Fin

Генерация текстаТекст → текст4 профессии

Дообученная на финансовых данных разговорная модель для финансовых исследований, анализа отчетности и агентных рабочих процессов.

2 168скачиваний за 30 дней126лайковвеса обновлены24 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ling-3.0-flash-Fin — финансовая модель семейства Ant Ling, разработанная Ant Group совместно с финансовыми организациями и отраслевыми экспертами. Она получена дальнейшим обучением Ling-3.0-flash на финансовых данных и предназначена для финансовых исследований и агентных рабочих процессов.

Модель помогает искать и проверять финансовые сведения по источникам, сопоставлять данные из отчетов, пресс-релизов о результатах и регуляторных документов, выполнять оценку компаний и работать с электронными таблицами. Она рассчитана на многошаговые сценарии с использованием инструментов и контекстом до 256 тысяч токенов. В README указано 124 млрд параметров, из которых активируются 5,1 млрд; метаданные каталога указывают 3,5 млрд параметров. Эти сведения о размере расходятся.

Контрольная точка выпущена в BF16, архитектура — гибридная MoE Bailing; доступны веса safetensors и чат-возможность. Лицензия — MIT. Модель требует дополнительной проверки в сложных длительных сценариях; оценки и выводы об инвестициях должны проходить профессиональную проверку и не являются инвестиционной рекомендацией.

Сценарии применения

поиск финансовых данных с проверкой первоисточников
сопоставление показателей из отчетов за разные периоды
подготовка аналитических обзоров по компаниям
расчет оценки компании и анализ сценариев
обновление финансовых моделей и таблиц
выполнение многошаговых банковских задач с инструментами

Ограничения

Сложные длительные рабочие процессы требуют дополнительной проверки. Оценки и инвестиционные выводы необходимо проверять профессионально; модель не предоставляет инвестиционных рекомендаций.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели III.6Корпоративные функцииБухгалтерия, управленческие финансы и казначействоAI помогает автоматизировать финансовые операции и улучшать прогнозирование денежных потоков и результатов.25 задач198моделей III.1Корпоративные функцииСтратегия, продукт и бизнес-моделиAI помогает принимать продуктовые и стратегические решения на основе свидетельств, а не только интуиции.19 задач2 459моделей III.7Корпоративные функцииАудит, внутренний контроль и налогиAI помогает искать ошибки, нарушения и налоговые риски, сохраняя проверяемый аудиторский след.25 задач336моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ling-3.0-flash-Fin

Introduction

Ling-3.0-flash-Fin is the first finance-enhanced model in the Ant Ling family. Developed by Ant Group with leading financial institutions and domain experts, it extends Ling-3.0-flash through continued training on high-quality financial data.

With 124B total parameters, 5.1B activated parameters, and a 256K context window, the model combines financial expertise with efficient inference for long-horizon agent workflows.

Highlights

End-to-end financial research: connects information retrieval, evidence review, calculation, modeling, and report preparation instead of treating them as isolated tasks.
Source-grounded financial search: Prioritizes authoritative sources to deliver accurate, complete, and traceable answers; FinFIRST is open-sourced alongside the model to enable transparent evaluation of these capabilities.
Multi-document financial reasoning: reconciles reporting periods, definitions, assumptions, and conflicting figures across annual reports, earnings releases, regulatory filings, and research materials.
Valuation and spreadsheet workflows: understands formulas, actual-versus-estimate updates, cross-sheet dependencies, balance checks, scenario analysis, and editable financial-model delivery.
Research-ready outputs: organizes facts, analysis, judgments, and charts into clear, reviewable materials for further editing and professional review.

Evaluation

Ling-3.0-flash-Fin was evaluated across FinFIRST, FinSearchComp Verified, FinCRAFT, Finance Agent, APEX-Agents, SpreadsheetBench, and τ³-Banking. These benchmarks cover source-grounded retrieval, investment research, long-horizon execution, valuation modeling, spreadsheet operations, and banking workflows. The model is competitive with both similarly sized models and substantially larger general-purpose models, with particular strength in source selection and tool-intensive financial tasks.

Local Serving

The current checkpoint is released in BF16. Because Ling-3.0-flash-Fin shares the same architecture as Ling-3.0-flash, it is compatible with the same SGLang and vLLM runtimes. For deployment instructions, see the Ling-3.0-flash deployment guide.

Important: Thinking mode is enabled by default. For optimal performance, we strongly recommend using temperature=1.0, top_p=0.95, and top_k=20 for general inference.

Limitations and Future Work

As our first finance-enhanced release, Ling-3.0-flash-Fin still requires further validation in complex, long-horizon workflows. Key assumptions, valuation results, and investment conclusions require professional review and do not constitute investment advice.

Future releases will explore finance-enhanced models at larger scales to further improve complex reasoning and long-horizon task execution.

Training content summary

The public training-content summary identifying Ling-3.0-flash-Fin is available below. Please refer to the document for its covered model versions, training-content scope, summary version, and update date.

This summary concerns training-content disclosure; it does not replace the model’s technical documentation, usage terms, or license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры: BailingMoeV3ForCausalLM
Ревизия весов: a5b4afb